概述

简述

FSAF为FPN每层添加anchor-free分支，包含分类与回归，在训练时，根据anchor-free分支的预测结果选择最合适的FPN层用于训练，最终的网络输出可同时综合FSAF的anchor-free分支结果以及原网络的预测结果。

• 参考实现：

  url=https://github.com/open-mmlab/mmdetection
  commit_id=2028b0c189d676ce0c7ad31f24f8a68107220855

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/contrib/cv/detection

准备训练环境

准备环境

• 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  Torch_Version	三方库依赖版本
  PyTorch 1.5	torchvision==0.2.2.post3；mmcv==1.2.7
  PyTorch 1.8	torchvision==0.9.1；mmcv==1.2.7

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

  pip install -r 1.5_requirements.txt  # PyTorch1.5版本
  
  pip install -r 1.8_requirements.txt  # PyTorch1.8版本

  说明: 只需执行一条对应的PyTorch版本依赖安装命令。

• 安装环境。

  1. 克隆mmcv库并放置在当前项目目录。

     git clone -b v1.2.7 git://github.com/open-mmlab/mmcv.git

  2. 用当前项目目录下mmcv_need替换mmcv目录下的子目录mmcv。

     rm -rf mmcv/mmcv
     cp -r mmcv_need mmcv
     mv mmcv/mmcv_need mmcv/mmcv

  3. 配置编译mmcv。

     cd mmcv
     export MMCV_WITH_OPS=1
     export MAX_JOBS=8
     python3 setup.py build_ext
     python3 setup.py develop
     pip3.7.5 list | grep mmcv

  4. 安装mmdetection。

     cd mmdetection
     pip3.7.5 install -r requirements/build.txt
     python3 setup.py develop
     pip3.7.5 list | grep mmdet

  5. 如果遇到apex O1报错，尝试修改：找到代码路径{the path of the fsaf environment in conda}/lib/python3.7/site-packages/apex/amp/utils.py, mine is /root/archiconda3/envs/fsaf/lib/python3.7/site-packages/apex/amp/utils.py

     # change this line (line 113)
     - if cached_x.grad_fn.next_functions[1][0].variable is not x:
     # into this
     + if cached_x.grad_fn.next_functions[0][0].variable is not x:

准备数据集

用户自行获取原始数据集，可选用的开源数据集包括COCO等， 并将你的数据集放置在$FSAF/mmdetection/data 下。

以COCO2017数据集为例，数据集目录结构参考如下所示。

 COCO
    ├── annotations
    │      ├── instances_val2017.json
    │      ├── instances_train2017.json
    │      ├── captions_train2017.json
    │      ├── ……
    ├── images
    │   │   ├──train2017
    |   |   │   │   ├──xxxx.jpg
    │   │   ├──val2017
    |   |   │   │   ├──xxxx.jpg
    ├── labels
    │   │   ├──train2017
    |   |   │   │   ├──xxxx.txt
    │   │   ├──val2017
    |   |   │   │   ├──xxxx.txt
    ├──test-dev2017.txt
    ├──test-dev2017.shapes
    ├──train2017.txt
    ├──……

说明： 该数据集的训练过程脚本只作为一种参考示例。

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称}

2. 运行训练脚本。

   该模型支持单机单卡训练和单机8卡训练。

   • 单机单卡训练

     启动单卡训练。

     bash ./test/train_full_1p.sh  # 单卡精度
     
     bash ./test/train_performance_1p.sh  # 单卡性能

   • 单机8卡训练

     启动8卡训练。

     bash ./test/train_full_8p.sh  # 8卡精度
     
     bash ./test/train_performance_8p.sh  # 8卡性能

   • 单机8卡评测

     启动8卡评测。

     bash ./test/train_eval_8p.sh real_model_path  # 8卡评测

   real_model_path参数为实际模型路径，可不传，默认为./work_dirs/fsaf_r50_fpn_1x_coco/latest.pth。

   模型训练脚本参数说明如下。

   公共参数：
   config                         //配置文件路径

   训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。

训练结果展示

表 2 训练结果展示表

NAME	Acc@1	FPS	Epochs	AMP_Type	Torch_Version
1p-竞品V	-	11.39	1	O1	1.5
8p-竞品V	37.5	70.84	12	O1	1.5
1p-NPU	-	1.26	1	O1	1.5
8p-NPU	36.2	8.38	12	O1	1.5

版本说明

变更

2020.10.14：更新内容，重新发布。

2020.07.08：首次发布。

FAQ

无。

公网地址说明

代码涉及公网地址参考 public_address_statement.md